ValueError: Mix of label input types (string and number)
Etichetele reale și cele prezise au tipuri diferite: unele sunt text ("1", "da"), altele numere (1). confusion_matrix și classification_report nu pot compara "1" cu 1. Adu ambele la același tip, de exemplu cu astype(int) sau cu un map de la text la număr.
Explicat de Tudor Andrei Dumitrescu, Senior Software Developer, fondatorul Academiei ProgramatorilorActualizat la
Ce înseamnă
Metricile de clasificare (confusion_matrix, classification_report, precision_score, f1_score) adună toate etichetele întâlnite în y_true și y_pred și le sortează. Dacă una dintre liste are texte și cealaltă numere, rezultatul nu are sens: textul "1" și numărul 1 sunt valori diferite pentru Python, iar ordinea lor nu se poate stabili. De aceea primești eroarea, în loc de o matrice greșită.
Cauza obișnuită este citirea datelor: o coloană cu 0 și 1 a ajuns text (din CSV, dintr-un JSON sau după un astype(str)), iar modelul a fost antrenat pe altă versiune a etichetelor. Uneori modelul e antrenat pe texte ("da" / "nu"), iar ținta de test a fost codificată cu 0 și 1.
Verifică tipurile: print(type(y_test[0]), type(y_pred[0])) sau y_test.dtype.
De ce apare: cauzele frecvente
1Ținta de test citită ca text
y_test = ["1", "0", "1"]
confusion_matrix(y_test, model.predict(X_test))y_test = [int(v) for v in ["1", "0", "1"]]
confusion_matrix(y_test, model.predict(X_test))După conversie, ambele liste conțin numere întregi, deci etichetele se pot compara și sorta.
2Modelul învățat pe texte, testul codificat cu numere
model.fit(X_train, df_train["aprobat"]) # "da" / "nu"
y_test = df_test["aprobat"].map({"da": 1, "nu": 0})harta = {"da": 1, "nu": 0}
model.fit(X_train, df_train["aprobat"].map(harta))
y_test = df_test["aprobat"].map(harta)Aceeași codificare pentru antrenare și test înseamnă că predicțiile și valorile reale au același tip.
3O coloană pandas de tip object
y = df["churn"] # dtype: object, cu "0" si "1"y = df["churn"].astype(int)astype(int) transformă toată coloana în numere înainte de antrenare și evaluare.
Repară eroarea, direct în pagină
Codul de mai jos dă ValueError: Mix of label input types (string and number), pentru că valorile reale de test au venit ca text, iar modelul prezice numere. Convertește y_test la numere întregi, ca programul să afișeze matricea de confuzie.
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
# minute de utilizare pe zi -> a renuntat la abonament (1) sau nu (0)
X_train = [[5], [8], [10], [40], [55], [60]]
y_train = [1, 1, 1, 0, 0, 0]
X_test = [[6], [50], [12], [45]]
y_test = ["1", "0", "1", "1"] # citite dintr-un CSV
model = LogisticRegression().fit(X_train, y_train)
y_pred = model.predict(X_test)
print(confusion_matrix(y_test, y_pred).tolist())[[1, 0], [1, 2]]
Indiciu
Folosește y_test = [int(v) for v in y_test] înainte de confusion_matrix.
Reparația
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import confusion_matrix
# minute de utilizare pe zi -> a renuntat la abonament (1) sau nu (0)
X_train = [[5], [8], [10], [40], [55], [60]]
y_train = [1, 1, 1, 0, 0, 0]
X_test = [[6], [50], [12], [45]]
y_test = ["1", "0", "1", "1"] # citite dintr-un CSV
y_test = [int(v) for v in y_test]
model = LogisticRegression().fit(X_train, y_train)
y_pred = model.predict(X_test)
print(confusion_matrix(y_test, y_pred).tolist())De ce merge
După conversie, și y_test, și predicțiile conțin numerele 0 și 1, deci confusion_matrix le poate aduna și sorta. Rândurile sunt valorile reale (0, apoi 1), coloanele sunt predicțiile. Clientul cu 45 de minute pe zi a renunțat, dar modelul a prezis 0, așa că apare o eroare în colțul din stânga jos.
Alte forme ale mesajului
ValueError: Mix of label input types (string and number).
Cum o eviți pe viitor
Fixează tipul țintei imediat după citirea datelor (astype(int) sau un map explicit) și folosește aceeași variabilă pentru antrenare și test. Afișează model.classes_: îți arată tipul etichetelor pe care le prezice modelul. Când citești CSV-uri, dă dtype={"churn": int} la read_csv, ca să nu depinzi de ghicitul lui pandas.
Întrebări frecvente
De ce accuracy_score nu dă eroare pe aceleași date?
accuracy_score compară doar element cu element și numără egalitățile. "1" == 1 e fals, deci primești o acuratețe greșită (de obicei 0), fără eroare. E și mai periculos.
Pot lăsa etichetele ca text?
Da, scikit-learn lucrează bine cu etichete text. Important e ca y_true și y_pred să folosească aceleași valori și același tip.
Erori înrudite
ValueError: pos_label=1 is not a valid label. It should be one of ['da', 'nu'] Etichetele tale sunt texte ('da', 'nu'), dar metrica (precision_score, recall_score, f1_score) caută implicit clasa pozitivă 1. Spune-i care e clasa pozitivă: pos_label='da', sau transformă etichetele în 0/1. ValueError: Unknown label type: unknown. Maybe you are trying to fit a classifier, which expects discrete classes on a regression target with continuous values. Ținta y are tipul object (numere ținute ca obiecte Python), iar clasificatorul nu-și dă seama ce fel de etichete sunt. Apare des după df.values pe un tabel cu coloane text. Convertește ținta explicit: y = y.astype(int) sau ia y direct din coloana DataFrame-ului. ValueError: At least one label specified must be in y_true Lista labels dată lui confusion_matrix nu conține nicio etichetă care să apară în y_true. De obicei etichetele reale sunt texte ("da", "nu") și ai scris labels=[0, 1], sau invers. Pune în labels exact valorile din y, în ordinea dorită. Învață Machine Learning de la zero, cu exerciții la fiecare lecție
Curs Machine Learning și AI pentru începători: lecții scurte, fiecare cu un exercițiu verificat automat, direct în browser. Primele 15 lecții sunt gratuite.
